FAQ: Datengranularität und Metrikdefinition

Wenn die Struktur der Geschäftsdaten oder die erforderlich Verwendung der Prognose ein hohes Maß an Details erfordert, sollten Kunden separate Prognosemetriken definieren.

Szenario	Beispiel für Split	Begründung
Operativer Anwendungsfall erfordert Details	Aufteilung der Verkäufe nach Abteilung oder Produktkategorie.	Prognosen für Personalbedarf oder Bestand auf detaillierter Ebene. Beispielsweise benötigt ein Geschäft separate Prognosen für die Ausgabenabteilung und die Beschaffungsabteilung, um diese Bereiche genau zu besetzen oder vergriffene Aktie zu verwalten.
Inkonsistente Datenstrukturen/Zeitpläne	Aufsplitten von Metriken für verschiedene Organisationseinheiten.	Wenn Organisationen unterschiedliche Starttage der Woche für ihr operatives Reporting haben, ist eine separate Metrik erforderlich. Da wöchentliche Metriken nur einen einzigen Starttag der Woche haben können, können Zeitplanungsorganisationen mit einem anderen Starttag der Woche von einer separaten Metrik profitieren, um ihre Prognosen mit ihrem Kalender abzustimmen.

Die Kriterien für die Empfehlung eines Splits konzentrieren sich auf die Notwendigkeit von Details und die Qualität der resultierenden Daten.

Datenverfügbarkeit und -sicherheit
Aggregation für Stabilität: Generell liefern aggregierte Daten in der Regel bessere Ergebnisse als das Splitten der Daten, da durch die Kombination kleinerer Datasets Störungen, Ausreißer und zufällige Schwankungen ausgeglichen werden, was zu einer robusteren und zuverlässigen Gesamtprognose führt.
Granularität erfordert aussagekräftige Daten: Separate, granulare Metriken (z. B. die Aufteilung von Metriken auf Filialebene in abteilungsspezifische Metriken) sind nur dann hilfreich, wenn diese Segmente über eigene aussagekräftige Datenquellen verfügen, um sicherzustellen, dass ausreichende Datenmengen für zuverlässige Prognosen zur Verfügung stehen. Wenn der Dataset für den granularen Split zu klein oder zu wenig vorhanden ist (z. B. eine Produktkategorie mit geringem Volumen), ist die Prognose instabil und möglicherweise unzuverlässig.
Aktionsfähigkeit und geschäftlicher Nutzen
Geplante Arbeit/Bestand: Separate Metriken sind unerlässlich, wenn die resultierende Prognose auf detaillierter Ebene direkt aktionsfähig sein muss. Beispielsweise ist die Aufteilung der Gesamtverkaufsprognose einer Filiale in separate Abteilungsprognosen hilfreicher, um den Personalbedarf in bestimmten Abteilungen zu Soll und die Personalbesetzung dort zu optimieren, wo sie am meisten benötigt wird.
Abstimmung mit Reporting/Planung: Splits werden empfohlen, wenn Segmente mit vollständig unterschiedlichen Planung oder Datenstrukturen arbeiten. Instanz ist ein Split erforderlich, wenn ein Segment einen anderen Tag als Starttag der Woche für sein Geschäftsreporting verwendet, um sicherzustellen, dass die Prognose mit der operativen Situation übereinstimmt.

Dies ist eine Zusammenfassung der wichtigsten Kompromisse zwischen hochgranularen und stärker aggregierten Prognoseansätzen:

Feature	Granulare Prognose (z. B. 15 Minuten)	Aggregierte Prognose (z. B. auf Tagesebene)
Aktionsfähigkeit	Hoch: Direkte Eingabe für Auftrag, Lager und Personalbesetzung bestimmter Abteilungen/Posten.	Niedrig: Erfordert eine manuelle Verteilung über den Tag oder ist in gleichmäßige Teile aufgeteilt.
Prognosegenauigkeit (Statistik)	Geringere Stabilität: Daten sind oft wenig, veränderlich und ver gehalten. Anfälliger für große, zufällige Fehler	Höhere Sicherheit: Störungen, Ausreißer und zufällige Fehler werden geausgleicht, was zu einem robusteren Ergebnis führt.
Geschäftswert	Hoher Nutzen: Besser bei der Erfassung spezifischer, lokaler und segmentspezifischer Nachfragefaktoren	Hohe Zuverlässigkeit: Besser für Planung und langfristige Entscheidungen
Datenanforderungen	Hoch: Große Mengen hoch aufgelöster Daten auf Zeilenebene, um sicherzustellen, dass es genügend Beobachtungen gibt, um die Volatilität einzelner Posten oder Standorte zu modellieren	Niedrig: Kleinere Datenmengen, da das Summieren von Datenpunkten die Anzahl der Datensätze auf verschiedene Weise reduziert und nur genügend Historie benötigt wird, um allgemeine saisonale Trends zu identifizieren.

Unsere allgemeine Empfehlung für zuverlässige Prognosen lautet, dass für die analysierte Metrik historische Daten für drei Jahre zur Verfügung stehen. In diesem Zeitraum können unsere Modelle jährliche saisonale Zyklen und langfristige Trends effektiv erfassen.

Die Anzahl der erforderlich Datenpunkte hängt vom Intervall (Ggranularität) Ihrer Daten ab:

Granularität	Beispielintervall	Datenpunktanforderung	Rationale
Hohe Anforderungen (Stündlich)	Jede Stunde	3 Jahre sind ausreichend.	Das Modell kumuliert schnell eine große Band von Datenpunkten, sodass drei Jahre ein robustes Dataset für die Mustererkennung sind.
Niedrige Anzahl (Täglich, Wöchentlich)	Einmal pro Tag oder Woche	Die Mindestanforderung ist 3 Jahre.	Diese Zeitperiode bietet genügend Datenpunkte, um Kerntrends und saisonale Variationen zu identifizieren, die für die Generierung einer stabilen Prognose erforderlich sind.

Wir empfehlen eine Datenhistorie von mindestens drei Jahren, um unabhängig von der Granularität der Daten eine optimale Performance unserer Prognosemodelle zu gewährleisten.

Wenn Sie Prognosen für ganz neue Kontexte einführen (z. B. ein neues Land, eine ganz neue Produktlinie oder eine komplett neue Geschäftsmetrik), wie hoch ist das Minimum an historischen Daten (z. B. im Hinblick auf Zeitperioden wie Monate/Jahre usw.). Anzahl Datenpunkte), die im Allgemeinen erforderlich sind , damit das ML-Modell wertvolle und relativ genaue Prognosen generieren kann?

Bei der Einführung von Prognosen in einen ganz neuen Kontext verknüpft unser Ansatz das neue Szenario mit vorhandenen, trainierten Metriken, um schnell wertvolle Prognosen zu generieren.

Hinweis: Der neue Standort muss eine bereits trainierte Metrik verfolgen (z. B. eine Metrik, für die bereits ein Modell vorhanden ist und die an anderen Standorten eine gute Performance liefert), damit diese Funktion genutzt werden kann.

Prognosen mithilfe des ML-Modells für neue Standorte (z. B. ein neues Land oder eine neue Filiale): Für Metriken, die mit dem ML-Modell trainiert und prognostiziert wurden, bieten wir bei der Eröffnung neuer Standorte die Verwendung unseres Ansatzes unserer Organisation"" oder einer vergleichbaren Entität an, um den Prognoseprozess zu starten. Durch Nutzung unseres Features der internen Organisation kann unser Modell sinnvolle Annahmen über die Performance des neuen Standorts erstellen, bis zu dem Zeitpunkt, an dem eigene Daten aus mindestens zwei Wochen gesammelt wurden. Danach nutzt das Modell die Wachstumshistorie der neuen Filiale, um genauere Prognosen zu erstellen.

Prognosen unter Verwendung des Trend-basierten Prognosemodells für neue Standorte (z. B. ein neues Land oder eine neue Filiale): Für Metriken, die mithilfe des Trend-basierten Prognosemodells trainiert wurden, werden die Daten der Organisation verwendet, bis der neue Standort ein volles Jahr Zeit hat eigene Daten, um spezifische historische Vergleiche zu ermöglichen.